TransMap: Transformer-Enhanced Divide-and-Conquer Reinforcement Learning Framework for Efficient CGRA Compilation

doi:10.1109/tcad.2026.3653869

TransMap: Transformer-Enhanced Divide-and-Conquer Reinforcement Learning Framework for Efficient CGRA Compilation

2026-01-13

0

PRE

AI

DOI：10.1109/tcad.2026.3653869

原文链接

原文求助

摘要

En 中文

粗粒度可重构架构（CGRAs）结合了灵活性与高性能，使其成为数据密集型计算的有前景的解决方案。CGRA编译器对于确定数据流图（DFGs）如何在硬件上执行至关重要。近年来，基于机器学习的编译器在CGRA编译中引起了广泛关注。然而，鲜有深度学习编译器能有效利用DFGs与CGRA抽象之间的丰富注意力信息。与此同时，传统编译器在编译质量和编译时间方面仍面临挑战。本文提出了一种新颖的基于深度学习的编译器，将Transformer编码器与强化学习（RL）相结合以解决这些问题。Transformer编码器通过嵌入DFG和CGRA抽象的特征图来捕获任务依赖关系。此外，我们设计了一个树结构的RL代理，采用谱聚类探索广泛的映射解空间，优化任务到资源的分配。实验结果表明，我们的方法优于当前最优（SOTA）编译器，实现了平均1.22倍的编译质量提升、33.39%的吞吐量增加以及12.83倍的编译时间加速，凸显了其提升CGRA性能的潜力。

Keyword:

Coarse-grained reconfigurable architecture (CGRA)

compilation

mapping

reinforcement learning (RL)

transformer

TransMap: Transformer-Enhanced Divide-and-Conquer Reinforcement Learning Framework for Efficient CGRA Compilation

摘要

期刊

机构

引用论文